Examinando por Materia "OMA"

Mostrando 1 - 1 de 1
  • Miniatura
    PublicaciónAcceso abierto
    Implementación de una metodología de diagnóstico de deterioros en aerogeneradores utilizando Machine Learning
    (Universidad EIA, 2025) Velasquez Betancurt, Alexey David; Blandón Uribe, Carlos Andrés; Sierra Pérez, Julián
    RESUMEN: Este trabajo de investigación presenta el desarrollo e implementación de una metodología para el diagnóstico de deterioros estructurales en aerogeneradores, mediante el uso de algoritmos de aprendizaje automático aplicados a datos de acelerometría adquiridos por un sistema de monitoreo estructural de diseño y fabricación nacional. La investigación se llevó a cabo durante un periodo de 1.5 años sobre un aerogenerador prototipo de 14 metros de altura, instrumentado con sensores distribuidos a lo largo de su mástil e instalado en la región del Oriente antioqueño. El enfoque metodológico se fundamenta en la teoría de los cambios en las frecuencias naturales causados por pérdidas de rigidez estructural. A partir de esta base, se ejecutó un plan experimental que incluyó la simulación de deterioros inducidos mediante la manipulación de cables tensores, la creación de una base de datos de deterioro, el análisis de vibraciones en condiciones operacionales, y la posterior aplicación de técnicas de aprendizaje automático para detectar y localizar dichos deterioros. El procesamiento de las señales permitió identificar modos de vibración sensibles al daño, destacando el primer modo de vibración, que presentó alrededor de 0.68 Hz en condición operacional sana a 0.39 Hz en condición de daño máximo. Como parte de la metodología, se evaluaron cinco algoritmos de aprendizaje automático, seleccionando Light Gradient Boosting Machine (LightGBM) como el modelo con mejor desempeño, alcanzando una exactitud del 99.1% en la detección general de deterioros y 98.6% en la predicción de su localización. Además, se desarrolló una interfaz de usuario integrada directamente al sistema de adquisición, permitiendo la visualización y monitorización contino del estado estructural del aerogenerador. Inicialmente, se adquirieron 28,336 datos para conformar una base de datos, los cuales fueron utilizados para valorar las características sensibles al deterioro en los registros de acelerometría, seguidamente se pudo entrenar y seleccionar el algoritmo de Machine Learning (ML) óptimo para detectar automáticamente la presencia y ubicación de deterioros en aerogeneradores. Con esta información, se propone un sistema nacional de monitoreo estructural continuo, económico y eficaz, diseñado para optimizar los costos de mantenimiento y reducir el riesgo de fallos estructurales.